我正在编写简单的太阳系模拟器。这是我的第一个libgdx项目。我在主菜单中使用了舞台和Actor，并且非常方便，尤其是触摸事件处理。但是......看看这些例子，我发现没有人在实际游戏逻辑中使用Actor。如果我应该使用actor作为行星类的父级，或者只是编写我自己的类，我会徘徊。行星是不可触摸的，它们只会在帧之间移动，因此ActionMoveBy的第三个参数必须是帧之间的时间。这就是缺点。使用Actors的优点是什么？ 最佳答案 Actor的主要优点是Action、HitTest和触摸事件以及Actor组。如果您的游戏逻辑需要，A

actor向其父级发送消息的方法是什么？我正在使用Akka2.2 最佳答案 你正在寻找getContext().parent()它为您提供父级的ActorRef，因此您可以这样做getContext().parent().tell(...) 关于java-如何在AkkaClassic中向Actor的parent发送消息？，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.com/questions/178535

我只是在比较scalaactor与java线程的性能。我很惊讶地看到差异，我观察到使用我的系统我最多只能产生约2000个线程(一次运行)但使用相同的系统我能够产生约500,000个scalaActor。两个程序都使用了大约81MB的JVM堆内存。你能解释一下java线程是如何比scala/akkaActor重这么多的吗？scala-actor如此轻量的关键因素是什么？如果我想获得最佳的可扩展性，我应该选择基于Actor的Web服务器，而不是像JBoss或Tomcat这样的基于Java的传统Web/应用服务器吗？谢谢。 最佳答案 Sc

我一直在研究学习Erlang/OTP，因此，我一直在阅读(好吧，略读)关于actor模型的内容。据我了解，actor模型只是一组函数(在Erlang/OTP中称为“进程”的轻量级线程中运行)，它们仅通过消息传递相互通信。用C++或任何其他语言实现这似乎相当简单:classBaseActor{std::queuemessages;CriticalSectionmessagecs;BaseMessage*Pop();public:voidPush(BaseMessage*message){autoscopedlock=messagecs.AquireScopedLock();message

从JoeArmstrong'sdissertation开始，他指定基于actor的程序应该通过以下三个步骤进行设计。问题是，我不明白这些步骤是如何映射到现实世界问题的，也不知道如何应用它们。这是乔最初的建议。我们识别现实世界活动中所有真正并发的活动。我们识别并发活动之间的所有消息通道。我们写下所有可以在不同消息通道上流动的消息。现在我们编写程序。程序的结构应该完全遵循问题的结构。在我们的编程语言中，每个实际的并发活动都应该映射到一个并发进程上。如果问题与程序之间存在1:1的映射，我们就说程序与问题同构。非常重要的一点是，映射正好是1:1。其原因是它将问题和解决方案之间的概念差距最小化。

如果我想移植一个使用Goroutines的Go库，Scala是否是一个不错的选择，因为它的收件箱/akka框架在本质上类似于协程？ 最佳答案 不，他们不是。Goroutines基于通信顺序进程的理论，正如TonyHoare在1978年所指出的那样。这个想法是可以有两个进程或线程，它们相互独立，但共享一个“channel”，一个进程/线程放置数据into和其他进程/线程消耗。您会发现最突出的实现是Go的channel和Clojure的core.async，但目前它们仅限于当前运行时并且不能分发，即使在同一个物理盒子上的两个运行时之间也

如果我想移植一个使用Goroutines的Go库，Scala是否是一个不错的选择，因为它的收件箱/akka框架在本质上类似于协程？ 最佳答案 不，他们不是。Goroutines基于通信顺序进程的理论，正如TonyHoare在1978年所指出的那样。这个想法是可以有两个进程或线程，它们相互独立，但共享一个“channel”，一个进程/线程放置数据into和其他进程/线程消耗。您会发现最突出的实现是Go的channel和Clojure的core.async，但目前它们仅限于当前运行时并且不能分发，即使在同一个物理盒子上的两个运行时之间也

1ActorCritic算法简介1.1为什么要有ActorCriticActor-Critic的Actor的前身是PolicyGradient，这能让它毫不费力地在连续动作中选取合适的动作，而Q-Learning做这件事会瘫痪，那为什么不直接用PolicyGradient呢，原来Actor-Critic中的Critic的前身是Q-Learning或者其他的以值为基础的学习法，能进行单步更新，而更传统的PolicyGradient则是回合更新，这降低了学习效率。现在我们有两套不同的体系，Actor和Critic，他们都能用不同的神经网络来代替。现实中的奖惩会左右Actor的更新情况。Policy

1ActorCritic算法简介1.1为什么要有ActorCriticActor-Critic的Actor的前身是PolicyGradient，这能让它毫不费力地在连续动作中选取合适的动作，而Q-Learning做这件事会瘫痪，那为什么不直接用PolicyGradient呢，原来Actor-Critic中的Critic的前身是Q-Learning或者其他的以值为基础的学习法，能进行单步更新，而更传统的PolicyGradient则是回合更新，这降低了学习效率。现在我们有两套不同的体系，Actor和Critic，他们都能用不同的神经网络来代替。现实中的奖惩会左右Actor的更新情况。Policy

Actor-Critic是价值学习和策略学习的结合。Actor是策略网络，用来控制agent运动，可以看做是运动员。Critic是价值网络，用来给动作打分，像是裁判。4.Actor-Critic4.1价值网络与策略网络构建a.原理介绍状态价值函数：$V_\pi(s)=\sum_{{a}}\pi({a}|{s})\cdotQ_\pi({s},{a})$(离散情况，如果是连续的需要换成定积分)V是动作价值函数\(Q_\pi\)的期望，\(\pi({s}|{a})\)策略函数控制agent做运动，\(Q_\pi({s},{a})\)价值函数评价动作好坏。但是上述这两个函数我们都不知道，但是可以分别用